Python 数据帧：将2列（值、值）转换为2列（值、类型）

假设我有以下数据帧“A”

我需要将其转换为以下数据帧“B”

因此，第一列中的值被分类为类型列，值为total或billable

data = {
    'utilization': [10.0, 30.0, 40.0, 40.0],
    'utilization_billable': [5.0, 20.0, 30.0, 32.0],
    'service': [1, 2, 3, 4]
}
df = pd.DataFrame.from_dict(data).set_index('service')
print(df)

data = {
    'utilization': [10.0, 30.0, 40.0, 40.0, 5.0, 20.0, 30.0, 32.0],
    'service': [1, 2, 3, 4, 1, 2, 3, 4],
    'type': [
        'total',
        'total',
        'total',
        'total',
        'billable',
        'billable',
        'billable',
        'billable',
    ]
}
df = pd.DataFrame.from_dict(data).set_index('service')
print(df)

---

有没有一种方法可以转换数据帧并执行此类分类？看起来像是

df.stack（）

的作业，其中包含多个

DataFrame.rename（）

输出：

             type  utilization
service                       
1           total         10.0
2           total         30.0
3           total         40.0
4           total         40.0
1        billable          5.0
2        billable         20.0
3        billable         30.0
4        billable         32.0

---

这可以通过在第一列添加后缀后使用

pd.wide\u to_long

来完成

import pandas as pd
df = df.rename(columns={'utilization': 'utilization_total'})

pd.wide_to_long(df.reset_index(), stubnames='utilization', sep='_', 
                i='service', j='type', suffix='.*').reset_index(1)

输出： 您可以使用：

屈服

   service                  type  utilization
0        1           utilization         10.0
1        2           utilization         30.0
2        3           utilization         40.0
3        4           utilization         40.0
4        1  utilization_billable          5.0
5        2  utilization_billable         20.0
6        3  utilization_billable         30.0
7        4  utilization_billable         32.0

然后

result.set_index（'service'）

将使

service

成为索引，

---

但我建议避免这种情况，因为

服务

值不是唯一的。

另一种语法是

melt

。使用

pd.DataFrame.melt

而不是像这样使用

pd.melt

：

df.reset_index（）.melt（'service'，var_name='type'）。set_index（'service'）

             type  utilization
service                       
1           total         10.0
2           total         30.0
3           total         40.0
4           total         40.0
1        billable          5.0
2        billable         20.0
3        billable         30.0
4        billable         32.0

import pandas as pd
df = df.rename(columns={'utilization': 'utilization_total'})

pd.wide_to_long(df.reset_index(), stubnames='utilization', sep='_', 
                i='service', j='type', suffix='.*').reset_index(1)

             type  utilization
service                       
1           total         10.0
2           total         30.0
3           total         40.0
4           total         40.0
1        billable          5.0
2        billable         20.0
3        billable         30.0
4        billable         32.0

import pandas as pd
data = {
    'utilization': [10.0, 30.0, 40.0, 40.0],
    'utilization_billable': [5.0, 20.0, 30.0, 32.0],
    'service': [1, 2, 3, 4]}

df = pd.DataFrame(data)
result =  pd.melt(df, var_name='type', value_name='utilization', id_vars='service')
print(result)

   service                  type  utilization
0        1           utilization         10.0
1        2           utilization         30.0
2        3           utilization         40.0
3        4           utilization         40.0
4        1  utilization_billable          5.0
5        2  utilization_billable         20.0
6        3  utilization_billable         30.0
7        4  utilization_billable         32.0